【分享】exam-cram-review：从真题反推的期末冲刺复习 Skill

exam-cram-review 是一个面向期末冲刺场景的开源 Agent Skill。它不试图把整本教材重新讲一遍，而是先用老师划定的复习重点和历年真题确定考试边界，再回到教材、PPT 与作业中定点查找对应内容。

项目由 KoneFly 开源，采用 MIT License。本文核验的是 KoneFly/ai-dev-toolkit 仓库 master 分支中的 skills/exam-cram-review，核验日期为 2026 年 9 月 22 日。

查看 Skill 源码与完整说明

它解决的不是“学完一门课”，而是“在有限时间内抓住考试目标”

这个 Skill 的核心判断很明确：真题和作业是锚点，不是最后才使用的验证题。

传统整理方式往往从教材第一页开始，先生成一份完整但很长的摘要，再尝试从中寻找重点。exam-cram-review 采用相反的路径：

1. 先读取老师的复习重点、考纲或划重点记录，确定会考与不考的范围。
2. 拆解真题和作业，给每道题标注题型、章节、考点与难度。
3. 统计重复出现的考点，得到复习优先级。
4. 只针对这些考点回查教材例题、PPT 页面和关键图示。
5. 按章节生成讲解、题库、速查表以及网页训练器需要的结构化数据。

这条路径很适合考试前 1–4 周、资料已经比较齐全但时间不足的情况。若目标是长期系统学习、日常学习规划或开放式研究，它反而不是合适工具。

输入资料如何分工

Skill 会把资料分成四个层级，而不是把所有文件等量塞进上下文：

它要求至少有“考点提示”和一份历史真题。缺少真题时，Skill 不应假装能准确推断考试重点；缺少老师划定的范围时，也应先向用户确认，而不是直接开始通读教材。

最终会生成什么

默认输出以章节为单位，每章保留三类精简 Markdown，同时生成一个 data.json：

ai复习/
├── 00_总索引.md
├── data.json
├── 01_第1章_章节名/
│   ├── 讲解.md
│   ├── 题库.md
│   ├── 速查.md
│   └── _figures/
└── _extracted/

• 讲解.md：考点清单、重要程度与例题精讲。
• 题库.md：真题映射、自测题和折叠答案。
• 速查.md：公式、适用条件、含义和相关知识。
• data.json：供网页训练器直接读取的结构化主数据源。
• 00_总索引.md：章节关系、考试信息和按剩余时间安排的冲刺建议。

这里使用 data.json 而不是完全依赖 Markdown 正则解析，是一个很实用的设计。公式中的 $、标题中的 # 和复杂排版都可能让字符串解析变得脆弱；结构化数据可以让训练器稳定取得考点、例题、公式、测验和章节依赖。

配套网页训练器

Skill 自带一个纯 Vanilla JavaScript 的静态训练器，不需要构建步骤或后端。完成资料生成后，可以在 Skill 的 webapp 目录启动本地静态服务器：

cd "$env:USERPROFILE\.codex\skills\exam-cram-review\webapp"
python -m http.server 8000

然后访问 http://localhost:8000，选择生成的 ai复习 目录。训练器主要提供：

• 总览、章节掌握度、错题清单与知识地图；
• 考点、例题、真题和公式的集中阅读；
• 自测、例题练习、错题追踪和键盘操作；
• Anki 风格的公式翻转卡；
• 可选的 AI 出题与错题讲解。

练习进度、错题和 AI 配置保存在浏览器 LocalStorage。网页端依赖 KaTeX、marked.js、Cytoscape.js 和字体 CDN，因此直接双击 index.html 时可能遇到浏览器的 file:// CORS 限制，使用本地 HTTP 服务更稳妥。

在 Codex 中安装与触发

这个仓库原本按 Claude Code Skill 的目录方式提供，但它的入口同样是标准 SKILL.md。在 Codex 中可以把整个目录安装到个人 Skills 目录：

~/.codex/skills/exam-cram-review/

本机已通过 Codex 的 Skill 安装器从以下来源完成安装：

仓库：KoneFly/ai-dev-toolkit
分支：master
路径：skills/exam-cram-review

安装后的新 Skill 会从下一轮任务起进入 Codex 的技能发现范围。可以用类似下面的请求触发：

使用 exam-cram-review 处理“模拟电路复习资料”文件夹。考试还有两周，请先盘点资料并告诉我缺少哪些锚点材料。

不要一开始就要求它“直接生成全部笔记”。按 Skill 的流程，资料盘点后还需要确认输出格式，并检查是否同时具备考点提示与真题。

运行依赖与格式边界

Skill 本体只是工作流和配套资源。要实际处理 PDF、PPT、DOCX 与旧版 Office 文件，还需要以下工具：

Pandoc 与 TeX Live 只在额外生成 PDF 时需要，不是默认训练流程的必备项。扫描版教材还需要先确认 PDF 页码与书本页码之间的偏移；中文旧版 .doc 转换后也可能需要按 GB18030 检查编码。

使用时最值得保留的三条原则

1. 不要通读大型教材

数百页 PDF 不应一次进入 Agent 上下文。正确顺序是“真题考点 → 教材目录或索引 → 目标页附近”，必要时只渲染关键页和图示。

2. 不要把 AI 补充写成老师原话

真题、考纲、教材和 AI 推断应保持来源边界。资料没有支持的结论，应明确标为待确认，而不是为了笔记完整而补齐。

3. 不要误解“本地存储”

核心训练进度确实存于浏览器本地，但启用 AI 出题或错题讲解后，所选章节内容会由浏览器直接发送到你配置的模型服务商。API Key 不经过项目自建后端，并不等于输入资料从未离开本机；处理未公开课程资料前仍应检查服务商的数据政策。

适合谁

如果你手上已经有复习重点、真题、课件和教材，只是缺少一套能把它们组织成“先练什么、为什么、错在哪里”的流程，这个 Skill 很值得尝试。它最有价值的部分并不是自动写出很多内容，而是用题源约束范围、保留资料出处，并把阅读、速查和主动练习连接在一起。

如果你只有一本教材、没有考纲和真题，或者希望用几个月建立完整知识体系，那么更适合使用长期学习计划或课程型知识库，而不是让一个冲刺工具承担它并不擅长的任务。

开源与许可

exam-cram-review 由 KoneFly 开源，采用 MIT License。Skill、网页训练器与第三方依赖分别遵循其各自许可证。